MAKALAH STATISTIKA

ANALISIS TIME SERIES

Disusun Untuk Memenuhi Tugas Mata Kuliah Statistika

Dosen Pengampu:

Prof Dr. Harun, M.Pd.

Oleh:

Yopi Malagola (22112251067)

Alfianita Ayu Larasati (22112251075)
Nuranjani (22112251077)

PROGRAM STUDI MAGISTER PENDIDIKAN DASAR

FAKULTAS ILMU PENDIDIKAN DAN PSIKOLOGI
UNIVERSITAS NEGERI YOGYAKARTA
2023
 KATA PENGANTAR

Segala puji bagi Allah Tuhan semesta alam yang telah mengutus para Nabi dan Rasul-
Nya kepada umat manusia sehingga kita sebagai umat yang beriman kepada-Nya dapat
memilih jalan yang lurus, jalan yang diridhai Allah SWT. Salam dan rahmat semoga tetap
tercurah kepada junjungan kita Nabi Muhammad SAW beserta keluarga dan para sahabatnya
serta para pengikutnya. Makalah ini akan membahas analisis time series. Semoga dengan
makalah ini para pembaca bisa memahami lebih dalam lagi mengenai materi tersebut. Dan
tentunya makalah ini masih sangat jauh dari kata sempurna. Untuk itu saya memohon kepada
Bapak Prof. Dr. Harun, M.Pd selaku dosen pengampu dalam mata kuliah Statistika ini untuk
memberikan masukkannya demi perbaikan makalah ini di masa yang akan datang.
Demikianlah kata pengantar yang dapat kami sampaikan, mohon maaf jika dalam
penyampaian makalah ini terdapat hal-hal yang salah/tidak berkenan bagi pembaca. Semoga
dapat bermanfaat.

Yogyakarta, 15 Mei 2023

Tim Penyusun,

i
 DAFTAR ISI

HALAMAN JUDUL
KATA PENGANTAR..................................................................................................................i
DAFTAR ISI..............................................................................................................................ii
BAB I.........................................................................................................................................4
PENDAHULUAN......................................................................................................................4
A. Latar Belakang................................................................................................................4
B. Rumusan Masalah...........................................................................................................5
C. Tujuan..............................................................................................................................5
BAB II........................................................................................................................................6
PEMBAHASAN........................................................................................................................6
A. Pengertian Analisis Time Series......................................................................................6
B. Jenis-Jenis Time Series...................................................................................................7
C. Multivariat Time Series...................................................................................................8
D. Variasi Kalender..............................................................................................................8
E. Forcasting (Peramalan)...................................................................................................9
F. Autoregressive Integreted Moving Average (ARIMA).................................................10
G. ARIMAX (Autoregresive Integreted Moving Average with Exogenous Variables). 12
H. VARIMA (Vector Autorgresive Integreted Moving Average)...................................13
BAB III.....................................................................................................................................16
PENUTUP................................................................................................................................16
A. Kesimpulan...................................................................................................................16
B. Saran..............................................................................................................................16
DAFTAR PUSTAKA...............................................................................................................17

ii
iii
 BAB I
PENDAHULUAN
A. Latar Belakang
Pada umumnya, terdapat tiga jenis data yang tersedia untuk analisis
empiris yakni data cross section, data time series atau data deret waktu, dan
data panel (gabungan data cross-section dan time series). Pemodelan dan
peramalan yang melibatkan penggunaan data cross section telah banyak kita
bahas dalam materi analisis regresi, sedangkan pemodelan dan peramalan
berdasarkan data panel dibahas dalam materi ekonometrika.
Untuk analisis time series atau analisis deret waktu, kita akan fokus pada
pemodelan dan peramalan dengan menggunakan data time series. Dengan
demikian,analisis time series yaitu analisis yang melibatkan penggunaan data
deret waktu atau data time series untuk membuat model yang akan digunakan
sebagai dasar peramalan.
Perlu diketahui bahwa menganalisis data berorientasi waktu dan
meramalkan nilai di masa mendatang dari suatu data time series adalah salah
satu masalah terpenting yang dihadapi analis di banyak bidang, mulai dari
keuangan dan ekonomi, manajemen produksi, analisis kebijakan politik dan
sosial, hingga menyelidiki dampak keputusan manusia dan kebijakan yang
mereka buat terhadap lingkungan.
Akibatnya, ada sekelompok besar orang di berbagai bidang, termasuk
keuangan, ekonomi, sains, teknik, statistika, dan kebijakan publik yang perlu
memahami beberapa konsep dasar analisis time series dan peramalan. Dengan
menguasai analisis time series, kita dapat memahami penyebab yang
mendasari suatu tren atau pola sistemik yang terjadi dari waktu ke waktu.
Dengan visualisasi data, kita dapat melihat tren musiman dan menggali lebih
dalam mengapa tren ini terjadi. Dengan metode time series yang tepat, kita
dapat memprediksi kemungkinan kejadian di masa depan dengan lebih baik.

1
B. Rumusan Masalah
Berdasarkan latar belakang yang telah diuraikan dapat dirumuskan
permasalahan sebagai berikut:

1. Apa itu analisis time series?

2. Apa jenis-jenis time series?
3. Bagaimana cara menganalisis time series?
4. Bagaimana metode analisis time series?

C. Tujuan
Berdasarkan rumusan masalah diatas, adapun tujuannya sebagai berikut:

1. Mengetahui pengeryian analisis time series

2. Mengetahui jenis-jenis time series
3. Mengetahui cara menganalisis time series
4. Mengetahui metode dan model time series

2
 BAB II
PEMBAHASAN
A. Pengertian Analisis Time Series
Time series atau deret waktu merupakan pengamatan satu atau beberapa
variabel yang diambil secara beruntun terhadap interval waktu yang tetap
(Wei, 2006). Pada tahun 1976 George Box dan Gwilyn Jenkins
memperkenalkan analisis time series untuk pertama kalinya. Analisis time
series adalah salah satu prosedur statistika yang digunakan pada peramalan
kejadian di masa depan. Analisis time series menggunakan data yang terpaut
oleh waktu, sehingga korelasi antara kejadian saat ini dengan periode waktu
sebelumnya akan terjadi. Selain berhubungan antara waktu time seris juga
terdapat kemungkinan adanya hubungan antara dimensi lain seperti wilayah
ataupun dimensi lain yang saling berkaitan.
Time series atau runtun waktu adalah himpunan observasi data terurut
dalam waktu (Hanke&Winchern, 2005: 58). Metode time series adalah metode
peramalan dengan menggunakan analisa pola hubungan antara variabel yang
akan dipekirakan dengan variabel waktu. Peramalan suatu data time series
perlu memperhatikan tipe atau pola data. Secara umum terdapat empat macam
pola data time series, yaitu horizontal, trend, musiman, dan siklis (Hanke dan
Wichren, 2005: 158). Pola horizontal merupakan kejadian yang tidak terduga
dan bersifat acak, tetapi kemunculannya dapat memepengaruhi fluktuasi data
time series. Pola trend merupakan kecenderungan arah data dalam jangka
panjang, dapat berupa kenaikan maupun penurunan. Pola musiman merupakan
fluktuasi dari data yang terjadi secara periodik dalam kurun waktu satu tahun,
seperti triwulan, kuartalan, bulanan, mingguan, atau harian. Sedangkan pola
siklis merupakan fluktuasi dari data untuk waktu yang lebih dari satu tahun.
Time series adalah data yang dikumpulkan dalam interval waktu tertentu,
seperti harian, mingguan, atau bulanan. Data ini dapat berupa angka, seperti
data penjualan atau pengeluaran, atau bahkan data non-numerik, seperti data
cuaca atau data saham. Dalam analisis time series, kita mencoba untuk

3
 menemukan pola-pola dalam data ini dan memprediksi nilai-nilai di masa
depan.
Analisis time series adalah teknik statistik yang digunakan untuk
menganalisis data time series. Tujuannya adalah untuk menemukan pola-pola
dalam data ini dan memprediksi nilai-nilai di masa depan. Metode yang umum
digunakan dalam analisis time series adalah model ARIMA (Autoregressive
Integrated Moving Average), model regresi, dan model neural network.

B. Jenis-Jenis Time Series

Jenis-jenis deret waktu dapat kita lihat dari berbagai sudut pandang.
Berdasarkan jenis datanya deret waktu dapat dibagi menjadi dua yaitu deret
waktu kontinu dan deret waktu diskret (Sumarjaya, 2016: 9).
1. Deret Waktu Kontinu Definisi
Deret waktu Xt dikatakan kontinu (continuous time series) jika observasi
atau amatan dibuat atau dicatat secara kontinu pada suatu selang tertentu T
. Salah satu contoh deret waktu kontinu adalah biner. Istilah kontinu
digunakan meskipun peubah terukur hanya mengambil nilai diskret.
2. Deret Waktu Diskret
Deret waktu Xt dikatakan diskret (discrete time series) jika observasi
hanya mengambil nilai pada waktu tertentu T 0 = {1,2,3,…n} dan biasanya
berjarak atau berselang sama (equally spaced). Istilah diskret digunakan
meskipun peubah terukur adalah kontinu. Kita akan lebih banyak
membicarakan tentang deret waktu diskret, sedangkan untuk deret waktu
kontinu memerlukan pemahaman tentang analisis spektral terutama
transformasi Fourier dan analisis harmonik. Deret waktu diskret dapat
terjadi dalam banyak cara. Misalkan kita punya deret waktu kontinu,
kemudian kita ambil nilai-nilai pada selang yang sama untuk
menghasilkan deret waktu diskret yang disebut deret tersampel (sampled
series). Dalam statistika kita biasanya berhubungan dengan sampel acak
dari observasi bebas (independent). Namun dalam analisis deret waktu
observasi biasanya tidak bebas (not independent) dan analisis harus
mempertimbangkan urutan atau runtun observasi berdasarkan waktu.

4
 Deret waktu dikatakan deterministik jika deret waktu bisa diprediksi
dengan tepat. Namun, kebanyakan deret waktu stokastik dengan nilai masa
depan hanya sebagian dipengaruhi oleh nilai-nilai masa lalu. Untuk deret
waktu stokastik biasanya prediksi yang tepat hampir tidak mungkin. Oleh
karena itu, kita harus menganggap bahwa nilai masa datang memiliki
distribusi peluang tertentu dengan berbekal pengetahuan tentang nilai-nilai
masa lalu

C. Multivariat Time Series

Multivariat time series merupakan salah satu analisis time series yang
melibatkan banyak variabel di dalam modelnya. Data time series terkadang
memiliki keterkaitan antara satu variabel dengan variabel lainnya, seperti pada
data jumlah penumpang kereta api yang memuat wilayah sebagai variabel
multivariat. Sehingga, dibutuhkan analisis yang lebih dari satu data time series
yaitu dengan menggunakan multivariat time series. Proses dalam multivariat
time series sama dengan prose dalam univariat time series yaitu dengan
memperhatiakan stasioneritas data (Hapsari, 2017).
Menurut (Geurts et al., 1977: 4-5), multivariate time series dilakukan
secara bersama-sama dapat dinyatakan dalam z 1 t , z 2 t , … .. z ktdan misalkan Zt =
( z 1 t , z 2 t , … .. z kt ¿ ' menunjukan vector deret waktu k x 1 pada waktu t. metode
analisis deret waktu multivariate digunakan untuk mempelajari hubungan
dinamis antara beberapa deret waktu yang terdiri dari vector Z t. Dua tujuan
utama untuk menganalisis dan memodelkan vektor deret waktu bersama-sama
adalah untuk mendapatkan pemahaman tentang hubungan dinamis antar deret
waktu dari waktu ke waktu dan untuk meningkatkan akurasi peramalan untuk
deret individual dengan memanfaatkan informasi tambahan yang tersedia dari
deret terkait di peramalan untuk setiap seri

D. Variasi Kalender
Model variasi kalender merupakan model time series yang digunakan
untuk meramalkan data berdasarkan pola musiman dengan periode bervariasi.
Di sebagian besar negara-negara Islam, data time series bulanan di bidang

5
 ekonomi dan bisnis dapat diketahui dengan dua jenis efek kalender, yaitu efek
hari kerja atau efek hari perdagangan di setiap bulan, yang biasa disebut
sebagai efek perdagangan hari dan efek hari libur seperti tahun baru cina,
natal, dan idul fitri dimana penentuan hari raya tersebut berbeda dengan
kelender Masehi. Indonesia merupakan salah satu negara yang merasakan
variasi kalender terutama saat memasuki tahun baru dan hari raya. Saat tahun
baru dan hari raya kebanyakan masyarakat Indonesia yang bekerja atau
bertempat tinggal di luar kota kelahiraan melakukan tradisi pulang kampung
(Mudik) sehingga kebutuhan transportasi akan meningkat dari biasanya,
sehingga pemerintah atau perusahaan transportasi perlu melakukan evaluasi
dan persiapan untuk kenyamanan penumpang.

E. Forcasting (Peramalan)
Forcasting adalah suatu ilmu yang digunakan untuk meramalkan atau
memprediksi krjadian di waktu mendatang. Peramalan dapat dilakukan
dengan cara institusi subjektif atau dengan model matematis (Heizer &
Render, 2011). Peramalan biasa digunakan dalam hal perencanaan penjualan
ataupun perencanaan pembangunan sbagai tambahan informasi.
Menurut (Ashari, 2012: 14), Jenis-jenis forecasting Dilihat dari segi
waktu, forecasting dapat dibagi dalam tiga jenis, yaitu prediksi jangka panjang
(Long-range forecasting), prediksi jangka menengah (mediun-term
forecasting) dan prediksi jangka pendek (shortterm forecasting).
1. Long-range forecasting
Prediksi jangka panjang umumnya cenderung tidak akurat. Hal itu telah
dibuktikan oleh W. Ascher yang mencoba menguji ketepatan dari prediksi
(sering disebut proyeksi) dalam bidang ekonomi, kependudukan, energi,
transportasi dan teknologi, yang akhirnya membuat ia menemukan
banyaknya bisa, disamping kesalahan-kesalahan yang cukup berarti, mulai
dari angka presentase yang kecil sampai pada presentase yang ratusan.
Kecenderungan dari para pengambil keputusan ialah menginginkan
masukan dari beberapa peramal. Lalu timbul masalah baru, yaitu prediksi
siapa yang akan diikuti.

6
 2. Mediun-term forecasting
Prediksi ini biasanya berjangka waktu antara tiga bulan sampai dua tahun.
Prediksi ini biasanya diangkat dari prediksi jangka panjang atau dari
jangka pendek. c. Short-term forecasting Prediksi jangka pendek pada
umumnya masih berpedoman pada perkembangan sekarang karena secara
teoritis gejala-gejala yang terjadi sekarang masih dapat berlaku paling
tidak untuk jangka tiga bulan berikutnya

F. Autoregressive Integreted Moving Average (ARIMA)

ARIMA (Autoregressive Integrated Moving Average) atau disebut dengan
metode deret berkala Box-Jenkins. Nilai data pada waktu mendatang bersifat
linier dari data historis dan random error. ARIMA dibagi dalam tiga klasifikasi
yaitu:
1. Model Autoregressive (AR)
Autoregressive merupakan peramalan regresi yang veriabel time
lag (selang waktu) dan nilai-nilai sebelumnya saling.model AR dapat
dikatakan mengikuti proses AR apabila lag-lag pada plot ACF menurun
secara eksponensial dan lag yang signifikan tidak sama dengan nol pada
plot PACF kemudian digunakan indikasi parameter p. Bentuk umum
model autoregressive dengan orde ke-p atau model ARIMA (p,0,0)
dinyatakan sebagai berikut:

𝑍𝑡 = 𝜇 + ∅1𝑍𝑡−1 + ∅2𝑍𝑡−2 + ⋯ + ∅𝑝𝑍𝑡−𝑝 + 𝑒𝑡 …(2.1)

Dimana:
𝜇 = nilai konstan
𝑍𝑡 = nilai pengamatan pada waktu t
∅p = koefisien orde p
et = nilai galat pada saat ke-t
2. Model Moving Average (MA)
Moving Average biasa disebut rata-rata bergerak adalah deret berkala
pada waktu t yang dipengaruhi dengan galat saat ini dan galat yang

7
 terbobot pada historis waktu sebelumnya. Suatu deret berkala dikatakan
mengikuti proses apabila lag-lag pada plot ACF tidak sama dengan nol dan
lag yang signifikan menurun secara eksponensial pada plot PACF
kemudian digunakan indikasi parameter q. Bentuk umum model moving
average orde ke-q atau ARIMA (0,0,q) dapat ditulis sebagai berikut:

𝑍𝑡 = 𝜇 + 𝑒𝑡 − 𝜃1𝑒𝑡−1 − 𝜃2𝑒𝑡−2 − ⋯ − 𝜃𝑞𝑒𝑡−𝑞 …(2.2)

Dimana:
𝜃𝑞 = nilai koefisien orde q
𝑒𝑡 = nilai galat pada saat t
3. Model Autoregresive Moving Average (ARMA)
Model peramalan deret berkala jenis ini dapat berbentuk
autogregresive (AR), rata-rata bergerak (MA) atau kombinasi antara
keduanya (ARMA). Bentuk umum model ARMA (p,q) dapat ditulis
sebagai berikut:

∅𝑝 (𝐵)Zt = 𝜇 + 𝜃𝑞 (𝐵)et …(2.3)

Dimana:
∅𝑝 (𝐵) = (1 − ∅1𝐵 − ∅2𝐵 2 − ⋯ − ∅ )
𝜃𝑞 (𝐵) = (1 − 𝜃1𝐵 − 𝜃2𝐵 2 − ⋯ − )
4. Model Autoregressive Integrated Moving Average (ARIMA)
ARIMA (Autoregressive Integrated Moving Average). Model ARIMA
adalah model ARMA (p,q) yang nonstasioner. Model ini membutuhkan
suatu proses pembedaan agar data stasioner. Model ARMA dilakukan
pembedaan dengan ordo ke-d yaitu 𝑍𝑡 𝑑 = (1 − 𝐵) 𝑑𝑍𝑡 sehingga 𝑍1 , 𝑍2 ,
… menjadi deret berkala yang stasioner, maka model ARMA (p,q) menjadi
model ARIMA (p,d,q). Bentuk model umum ARIMA (p,d,q) sebagai
berikut:
∅𝑝 (𝐵)(1 − 𝐵) 𝑑𝑍𝑡 = 𝜇 + 𝜃𝑞 (𝐵)𝑒𝑡 …(2.4)

8
 Dimana:
∅𝑝 (𝐵) = (1 − ∅1𝐵 − ∅2𝐵 2 − ⋯ − ∅ )
𝜃𝑞 (𝐵) = (1 − 𝜃1𝐵 − 𝜃2𝐵 2 − ⋯ − ) (1 − 𝐵)
𝑑𝑍𝑡 = pembeda dengan ordo ke-d
𝑒𝑡 = nilai galat pada saat t

Metode ARIMA Box-Jenkins memiliki 3 langkah analisis yakni

identifikasi model, estimasi parameter dan diagnostic checking.

G. ARIMAX (Autoregresive Integreted Moving Average with Exogenous

Variables)
Model ARIMAX adalah model ARIMA yang diberi tambahan variabel
dammy atau disebut variabel exogenous, variabel dummy yang biasa
digunakan adalah model ARIMAX dengan variasi kalender. Pemodelan runtun
waktu dengan penambahan beberapa variabel yang dianggap memiliki
pengaruh secara. signifikan terhadap data digunakan untuk memperkuat
akurasi dari peramalan yang dilakukan. Menurut Cyer dan Chan (2008) dalam
Lee et al. (2010) bahwa model ARIMAX merupakan model ARIMA dengan
tambahan variabel. Model ARIMAX dengan efek variasi kalender dituliskan
sebagai berikut:

𝑍𝑡 = β1X1,t + β2X2,t+ ⋯ + βpXp,t+ ∅ …(2.5)

Dengan:
Z𝑡: kombinasi linier dari gabungan pengamatan dan sisaan pada waktu-
waktu sebelumnya
X1,t, X2,t, … , Xn,t : variabel dummy hari-hari khusus
𝛽1, 𝛽2, … , 𝛽𝑛 : parameter variabel dummy hari-hari khusus
𝜙 : parameter regresi diri ordo ke-p
𝜃 : parameter rataan bergerak ordo ke-q
𝜙𝑝 (𝐵) : (1 − 𝜙1𝐵 − 𝜙2𝐵 2 − ⋯ − )
𝜃𝑞 (𝐵) : (1 − 𝜃1𝐵 − 𝜃2𝐵 2 − ⋯ − )

9
 Pemodelan diatas terdiri dari variabel respon time series dan variabel
dummy yang di bentuk dari variasi kalender. Menurut Lee & Suhartono ,
langkah penyelesaaian analisis pada model ARIMAX adalah sebagai berikut:
1. Menentukan variabel dummy berdasarkan pada variasi kalender
2. Melakukan pemodelan regresi seperti berikut Yt =β0+β 1V1, +β 2V2,t
+…+β pVp,t+wt
3. Memodelkan residual dari hasil model regresi dengan model ARIMA
4. Melakukan pemodelan ARIMAX
5. Mengecek signifikansi parameter

H. VARIMA (Vector Autorgresive Integreted Moving Average)

Data time series atau runtunn waktu sering kali terdiri dari beberapa
variabel atau biasa di sebut data time series multivariate. Variabel multivariate
pada data time series misalnya berupa lokasi yang berbeda, atau jenis produk
yang berbeda yang dapat dihitung dan terbatas. Menurut (Wei, 2006) model
VARIMA dituliskan sebagai berikut :

Фp (B)D(B) 𝑍̇ = Θq (B) at …(2.6)

Dimana:
Фp (B) = Ф0– Ф1B – Ф2B 2 -…- ФPBp
Dan
Θp (B) = Θ 0 –Θ 1B - Θ 2B 2 …- ΘPBq
BZt = Zt-1
Dengan:
𝑍̇ adalah vector pengamatan dengan Zt = [ Z1,t, Z2,t,…, Zn,t,] Фp (B) dan
Θq(B) berturut-turut adalah suatu matriks autoregressive dan moving average
polinomial orde p dan q dengan ukuran matrik nonsingular yaitu mxm. Untuk
kasus nonsingular, matriks varians kovarians dari t a adalah definit positif.
Jika q = 0 maka proses menjadi vektor AR (p).

ΦP(B)Zt  at …(2.7)

10
jika p = 0 maka proses menjadi vector MA (q)

ΦP(B)Zt  Θq(B) at-q …(2.8)

1. Uji Stasioneritas Terhadap Mean dan Varian

Suatu data dikatakan stasioner pada data time series jika nilai
mean dan varian konstan atau tidak mengalami perubahan yang
sistematik. Markidakis et al (1992) menyatakan bentuk visual dari
suatu plot data time series seringkali cukup untuk menyakinkan bahwa
data tersebut adalah stasioner atau tidak stasioner. Akan tetapi, secara
formal untuk mengidentifikasi kestasioneran data dilakukan dengan uji
Augmented Dickey Fuller (ADF) atau dengan melihat skema matriks
korelasi silang MACF dan MPACF. Jika plot MACF dan MPACF
turun secara sambat maka data belum stasioner terhadap mean
sehingga perlu dilakukan differencing atau pembedaan. Sebaliknya,
data belum stasioner terhadap varian jika nilai batas atas dan batas
bawah pada lamda kurang dari nol, sehingga perlu dilakukan
transformasi Box Cox agar data stasioner.
a. Uji Augmented Dickey Fuller (ADF)
Pada pengujian data runtun waktu sayarat penting yang
harus terpenuhi adalah stasioneritas data. Data stasioner adalah
data yang menunjukkan mean, varians dan autovarians (pada
variasi lag) tetap sama pada waktu kapan saja data itu dibentuk
atau dipakai, artinya dengan data yang stasioner model time
series dapat dikatakan lebih stabil. Untuk menguji apakah data
bersifat stasioner atau tidak, umumnya digunakan uji akar unit.
Terdapat banyak uji akar unit, tetapi yang paling umum dan
banyak dipakai adalah Augmented Dickey Fuller Test (ADF).
Konsep pengujian Augmented Dickey Fuller Test adalah jika

11
 suatu data time series tidak stasioner pada orde nol, I(0), maka
stasioneritas data tersebut bisa dicari melalui order berikutnya
sehingga diperoleh tingkat stasioneritas pada order ke-n (first
difference) atau I(1), atau second difference atau I(2), dan
seterusnya (Purnomo, 2010: 39).

Dimana:
Yt : first difference dari Y
1 : nilai konstan atau intercept
 2 : koefisien regresi untuk trend
 : koefisien regresi untuk lag Y
 : koefisien regresi untuk difference lag Y
ε : error
m : lag
t : waktu
Dengan hipotesis :
H0 :   0 (Terdapat akar unit, variable Y tidak stasioner)
H1 :   0 Tidak terdapat akar unit, variable Y stasioner)

ika t  lebih besar dari nilai kritis ADF maka gagal tolak hipotesis nol,
yang berarti terdapat akar unit (data tidak stasioner). Dan jika t  lebih kecil
dari nilai kritis ADF maka tolak hipotesis nol, tidak terdapat akar unit (data
stasioner).

12
 BAB III
PENUTUP
A. Kesimpulan
Analisis time series adalah metode yang efektif untuk memahami dan
memodelkan pola dan tren dalam data seiring waktu. Analisis time series telah
berhasil mengidentifikasi pola musiman yang ada dalam data, yang dapat membantu
dalam merencanakan dan mengelola kegiatan berdasarkan pola tersebut. Selain tren
dan pola musiman, analisis time series juga mengungkapkan adanya fluktuasi acak
dalam data. Faktor-faktor acak ini dapat mempengaruhi perilaku data dan harus
diperhitungkan dalam analisis dan prediksi. Penting untuk menggabungkan
pengetahuan domain dalam analisis time series. Faktor-faktor eksternal yang tidak
terdapat dalam data time series dapat memberikan pengaruh signifikan pada perilaku
data. Oleh karena itu, pemahaman yang baik tentang konteks domain dapat membantu
dalam interpretasi dan penggunaan hasil analisis time series secara efektif.

B. Saran
Pilih model yang sesuai dengan karakteristik data dan tujuan analisis. Misalnya,
jika terdapat tren atau pola musiman, model ARIMA atau SARIMA mungkin lebih
sesuai. Jika ada faktor eksternal yang signifikan, model regresi linier dengan variabel
dummy dapat dipertimbangkan. Upayakan untuk memiliki data yang lebih lengkap
dan terperinci. Semakin banyak data yang tersedia, semakin akurat analisis time series
yang dapat dilakukan. Analisis time series tidak berhenti setelah model dibangun.
Penting untuk memantau dan memperbarui model secara berkala seiring berjalannya
waktu. Data baru dapat mempengaruhi tren, pola musiman, atau faktor lainnya, dan
memerlukan penyesuaian pada model.

13
 DAFTAR PUSTAKA
Ashari. (2012). Penerapan Metode Times Series Dalam Simulasi Forecasting Perkembangan
Akademik Mahasiswa. Stmikakba, 2(1), 9–16.

Geurts, M., Box, G. E. P., & Jenkins, G. M. (1977). Time Series Analysis: Forecasting and
Control. Journal of Marketing Research, 14(2). https://doi.org/10.2307/3150485

Sumarjaya, I. W. (2016). Modul Analisis Deret Waktu. Modul Analisis Deret Waktu, 90.
https://bit.ly/3HB3hjM

https://eprints.uny.ac.id/8326/3/BAB2-06305149010.pdf
BAB II.pdf (unimus.ac.id)

14